Buchumschlag

Masked Diffusion Captioning for Visual Feature Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Feng, Chao, Wei, Zihao, Owens, Andrew
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Efficient Vision-Language Pre-training by Cluster Masking
von: Wei, Zihao, et al.
Veröffentlicht: (2024)

Visual Anagrams: Generating Multi-View Optical Illusions with Diffusion Models
von: Geng, Daniel, et al.
Veröffentlicht: (2023)

New Encoder Learning for Captioning Heavy Rain Images via Semantic Visual Feature Matching
von: Son, Chang-Hwan, et al.
Veröffentlicht: (2021)

Motion Guidance: Diffusion-Based Image Editing with Differentiable Motion Estimators
von: Geng, Daniel, et al.
Veröffentlicht: (2024)

RxnCaption: Reformulating Reaction Diagram Parsing as Visual Prompt Guided Captioning
von: Song, Jiahe, et al.
Veröffentlicht: (2025)

Q-Adapter: Visual Query Adapter for Extracting Textually-related Features in Video Captioning
von: Chen, Junan, et al.
Veröffentlicht: (2025)

D-ORCA: Dialogue-Centric Optimization for Robust Audio-Visual Captioning
von: Tang, Changli, et al.
Veröffentlicht: (2026)

MaskDiME: Adaptive Masked Diffusion for Precise and Efficient Visual Counterfactual Explanations
von: Guo, Changlu, et al.
Veröffentlicht: (2026)

MetaCaptioner: Towards Generalist Visual Captioning with Open-source Suites
von: Lei, Zhenxin, et al.
Veröffentlicht: (2025)

Factorized Diffusion: Perceptual Illusions by Noise Decomposition
von: Geng, Daniel, et al.
Veröffentlicht: (2024)

MaskMatch: Boosting Semi-Supervised Learning Through Mask Autoencoder-Driven Feature Learning
von: Zhang, Wenjin, et al.
Veröffentlicht: (2024)

TimeChat-Captioner: Scripting Multi-Scene Videos with Time-Aware and Structural Audio-Visual Captions
von: Yao, Linli, et al.
Veröffentlicht: (2026)

MV-CC: Mask Enhanced Video Model for Remote Sensing Change Caption
von: Liu, Ruixun, et al.
Veröffentlicht: (2024)

DEVICE: Depth and Visual Concepts Aware Transformer for OCR-based Image Captioning
von: Xu, Dongsheng, et al.
Veröffentlicht: (2023)

Dual Caption Preference Optimization for Diffusion Models
von: Saeidi, Amir, et al.
Veröffentlicht: (2025)

video-SALMONN 2: Caption-Enhanced Audio-Visual Large Language Models
von: Tang, Changli, et al.
Veröffentlicht: (2025)

From Image Captioning to Visual Storytelling
von: Passadakis, Admitos, et al.
Veröffentlicht: (2025)

Point Prompting: Counterfactual Tracking with Video Diffusion Models
von: Shrivastava, Ayush, et al.
Veröffentlicht: (2025)

GPS as a Control Signal for Image Generation
von: Feng, Chao, et al.
Veröffentlicht: (2025)

Visually-Aware Context Modeling for News Image Captioning
von: Qu, Tingyu, et al.
Veröffentlicht: (2023)

LocCa: Visual Pretraining with Location-aware Captioners
von: Wan, Bo, et al.
Veröffentlicht: (2024)

Enhancing Descriptive Captions with Visual Attributes for Multimodal Perception
von: Sun, Yanpeng, et al.
Veröffentlicht: (2024)

SC-Captioner: Improving Image Captioning with Self-Correction by Reinforcement Learning
von: Zhang, Lin, et al.
Veröffentlicht: (2025)

Diffusion Based Augmentation for Captioning and Retrieval in Cultural Heritage
von: Cioni, Dario, et al.
Veröffentlicht: (2023)

Enhancing Prompt Following with Visual Control Through Training-Free Mask-Guided Diffusion
von: Chen, Hongyu, et al.
Veröffentlicht: (2024)

Evolved Hierarchical Masking for Self-Supervised Learning
von: Feng, Zhanzhou, et al.
Veröffentlicht: (2025)

Masked Generative Story Transformer with Character Guidance and Caption Augmentation
von: Papadimitriou, Christos, et al.
Veröffentlicht: (2024)

Coefficients-Preserving Sampling for Reinforcement Learning with Flow Matching
von: Wang, Feng, et al.
Veröffentlicht: (2025)

Unleashing Text-to-Image Diffusion Prior for Zero-Shot Image Captioning
von: Luo, Jianjie, et al.
Veröffentlicht: (2024)

Analyzing Image Beyond Visual Aspect: Image Emotion Classification via Multiple-Affective Captioning
von: Zhou, Zibo, et al.
Veröffentlicht: (2025)

Frequency-Guided Masking for Enhanced Vision Self-Supervised Learning
von: Monsefi, Amin Karimi, et al.
Veröffentlicht: (2024)

Learning Speaker-Invariant Visual Features for Lipreading
von: Li, Yu, et al.
Veröffentlicht: (2025)

Mask$^2$DiT: Dual Mask-based Diffusion Transformer for Multi-Scene Long Video Generation
von: Qi, Tianhao, et al.
Veröffentlicht: (2025)

Caption Anything in Video: Fine-grained Object-centric Captioning via Spatiotemporal Multimodal Prompting
von: Tang, Yunlong, et al.
Veröffentlicht: (2025)

View Selection for 3D Captioning via Diffusion Ranking
von: Luo, Tiange, et al.
Veröffentlicht: (2024)

MaskSem: Semantic-Guided Masking for Learning 3D Hybrid High-Order Motion Representation
von: Wei, Wei, et al.
Veröffentlicht: (2025)

Diff-Prompt: Diffusion-Driven Prompt Generator with Mask Supervision
von: Yan, Weicai, et al.
Veröffentlicht: (2025)

LongCaptioning: Unlocking the Power of Long Video Caption Generation in Large Multimodal Models
von: Wei, Hongchen, et al.
Veröffentlicht: (2025)

Sample-specific Masks for Visual Reprogramming-based Prompting
von: Cai, Chengyi, et al.
Veröffentlicht: (2024)

LazyMAR: Accelerating Masked Autoregressive Models via Feature Caching
von: Yan, Feihong, et al.
Veröffentlicht: (2025)